「工程基准」共找到 1647 篇相关文章
一个割草机游戏，就让 Muse Wonder 现了原形
Meta发布号称目前最好的多步骤Agent模型Muse Wonder，基准数据碾压Claude Opus 5.5，但网友测试和实际使用暴露了它纸面数据强、实际体验差的问题
Anthropic 重新定义智能体终局： Bash Is All Agent Need！
Anthropic工程师Thariq Shihipar提出，最强大的Agent工具是Bash和文件系统，基于Unix思想构建Agent会超传统API工具。还介绍了上下文工程、Agent Loop本质等内容，认为这或是Agent终极形态。
Claude团队大揭秘！如何调动多智能体搞深度搜索
Claude团队分享用多智能体构建深度搜索的心得，展示有效多智能体研究系统架构，涵盖系统架构、提示工程、评估方法等内容，还提及系统面临的问题、挑战及额外建议。
打破瓶颈，让RAG学会思考：中科大、智源等发布推理检索框架BGE-Reasoner
人工智能浪潮下，推理密集型信息检索是RAG和AI Agent技术发展瓶颈。中科大、智源等机构联合研发推理检索框架BGE - Reasoner，在BRIGHT基准测试中刷新纪录，还将开放相关代码等推动研究。
TileLang深入详解-第一章-GPU 体系结构复习
作者借长假学习 TileLang 并撰写此文，先复习 GPU 体系结构，包括计算与线程组织、存储层次、专用指令单元，接着介绍核心性能模型与优化原理，最后给出基于 TileLang 的基准测试实践。
杜克大学、Zoom推出LiveMCP‑101：GPT‑5表现最佳但未破60%，闭源模型Token效率对数规律引关注
杜克大学与Zoom研究者推出LiveMCP - 101，这是针对真实动态环境的MCP - enabled Agent评测基准。含101个任务，实验显示先进模型成功率低于60%，研究为提升Agent能力提供改进方向。
没KPI反而爆了？Cursor大神一人敲出核心功能！CEO上手7天不宕机，AI编程玩法全变了
昨日，Cursor的CEO基于GPT - 5.2构建了超300万行代码的浏览器，具备基础可用性。同时，Cursor工程负责人在访谈中分享了编码Agent发展、Cursor使用方式、未来方向等多方面内容，还揭秘团队工作模式。
医疗AI迎来大考！南洋理工发布首个LLM电子病历处理评测 | AAAI'26
南洋理工大学研究人员构建EHRStruct基准，涵盖11项核心任务、2200个样本，用于评测LLM处理结构化电子病历的能力。研究发现通用大模型优于医学专用模型，提出的EHRMaster框架与Gemini联合后性能超现有模型。
多模态模型挑战北京杭州地铁图！o3成绩显著，但跟人类有差距
近年来，多模态大模型在多种场景取得进展，但能否‘看懂图’存疑。西湖大学等团队提出评测基准ReasonMap，评估模型在地铁图理解中的能力，发现主流模型有瓶颈，闭源模型虽优但仍逊于人类。
二元成功率已经过时！PRM-as-a-Judge才是你需要的具身操作评测框架
传统二元成功率评测具身操作任务有局限，难回答策略推进、执行效率等问题。中科院自动化所等机构研究人员提出PRM - as - Judge框架，含进度势能、OPD指标体系和RoboPulse基准，能细粒度审计执行过程。